随着我国社会经济的高速发展,城市交通流量不断加大,交通拥堵、环境污染、交通事故等一系列交通问题日趋严重。科学系统地分析和规划交通体系,成为缓解城市交通的当务之急。实时和准确地获取交通数据是分析交通规律,优化交通体系的基础。基于计算机视觉的视频监控检测技术具有安装和维护方便、成本相对低廉、检测信息丰富、监视范围大等显著优点,成为交通数据采集技术的研究热点。交通数据采集技术的共性问题涉及到车辆存在的检测,车辆类型的识别,道路交通流量的统计等。本文在总结和分析国内外相关技术的基础上,分别针对白天和夜间环境设计和实现了相应的交通数据采集系统,并利用实际的交通监控录像进行仿真实验,验证所提方法的有效性。同时,针对三维空间的车辆定位和识别问题进行了一定的研究,提出了参数化模型,并进行求解。本文的主要研究工作包括：(1)对于白天环境,利用背景差法,检测和分割运动车辆。较为深入地讨论了基于混合高斯模型(GMM)的背景重构方法和GMM模型的参数选择方法。针对白天运动阴影的干扰,通过阴影和背景在RGB空间的比值构造阴影模型,并结合边缘强度特征抑制运动阴影。综合前景检测和阴影抑制,设计了基于检测区域的车辆检测方法。仿真实验证明了所提方法能够实时高效地检测运动车辆。(2)基于模型的车辆定位方法具有视点无关性,对噪声,遮挡等鲁棒性高,能获得目标在三维空间的参数等特点。本文研究12维参数化可形变模型的匹配,并提出更精简的立方体模型。两种模型的匹配都结合EDA演化算法,给出了演化算法主要参数的选择策略。实验结果表明,可形变模型能够拟合不同车型,并同时估计出车辆的姿态参数和形状参数。(3)本文以车前灯为主要特征检测夜间的运动车辆。提出了车灯的自适应分割方法,并进行配对和分组。根据提取车灯的多维图像特征进行帧间匹配,并结合车辆运动的时域连续性统计交通流量。仿真实验结果表明,算法的复杂度低,检测率高。